[논문 리뷰] Scientific Machine Learning-assisted Model Discovery from Telemetry Data

Sebastian Micluţa-Câmpeanu, Avinash Subramanian외 5명|arXiv (Cornell University)|2026. 03. 16.

Building Energy and Comfort Optimization인용 수 0

한 줄 요약

본 논문은 엔지니어가 개입하는 의사결정을 활용하고 심볼릭 회귀를 통해 예측 정확도를 향상시키는, 물리 기반 모델에 신경망 보정(UDEs)을 더하는 반자동 워크플로인 Dyad Model Discovery를 제시한다. 이는 운송 냉동 유닛의 화물 상자에 대해.

ABSTRACT

Calibration of dynamic models to data is an important step in building building digital twins of HVAC equipment, thermal loads and control systems. Sometimes, when a model fails to calibrate to data, a possible cause is that the model has made too many sim- plifying assumptions and is missing physics. In this paper we propose a semi-automated approach, called Dyad Model Discovery, that can augment the physical equations of the model with symbolic expressions discovered from the data. We demonstrate this method on a digital twin of a transportation refrigeration unit to improve its predictive performance, trained using telemetry data. An engineer-in-the-loop workflow is proposed, which provides suggestions to the user which can then be accepted or rejected. This is the first AI-assisted engineering design workflow to our knowledge.

연구 동기 및 목표

• 물리 모델이 단순화되었거나 누락될 때, 방정식을 데이터 기반 항으로 보강하여 동적 모델 보정을 개선한다.
• 모델 보정을 제안하고 수용하거나 거부할 수 있는 엔지니어 인 더 루프 워크플로우를 제공한다.
• 해석 가능한 보정을 도출하기 위해 universal differential equations (UDEs), 민감도 분석, 그리고 심볼릭 회귀를 활용한다.
• 텔레메트리 데이터를 사용하여 운송 냉동 유닛의 두 영역 화물 상자에서 이 접근법을 시연한다.

제안 방법

• 기존의 미분대수방정식(DAE) 모델에 신경망 보정 항을 추가하여 Universal Differential Equation (UDE)을 형성한다.
• 모델 출력과 텔레메트리 데이터 간의 데이터 잔차를 최소화하도록 신경망을 학습시킨다.
• 가장 영향력 있는 보정만 식별하고 보유하도록 출력 마스킹을 적용한다.
• 민감도 분석을 수행하여 영향력 있는 입력을 식별하고 입력 차원을 축소한다.
• 일반화 가능성을 높이기 위해 신경망 보정을 기호 표현식으로 대체하기 위해 심볼릭 회귀를 사용한다.
• Dyad SciML 환경에서 워크플로우를 구현하고, 다양한 아키텍처와 실험 추적을 포함한다.

Figure 1: Dyad Model Discovery . The user-facing engineer-in-the-loop steps are on the left, while the automated procedures are found on the right. Finally, the engineer has a choice whether to accept or reject the proposed changes from the system.

실험 결과

연구 질문

• RQ1 텔레메트리 데이터를 사용하여 UDE 기반 보강이 물리 기반 TRU 화물 상자 모델의 예측 정확도를 향상시킬 수 있는가?
• RQ2 출력 마스킹, 민감도 분석, 그리고 심볼릭 회귀가 어떻게 작고 해석 가능한 보정 항을 만들어낼 수 있는가?
• RQ3 모델 수정 수용에서 엔지니어 인 더 루프 의사결정의 역할은 무엇인가?
• RQ4 다중 구역 화물 상자의 보이지 않는 구성에 접근 방식이 얼마나 일반화되는가?
• RQ5 TRU 데이터셋에서 달성 가능한 성능 향상(예: 손실 감소)은 무엇인가?

주요 결과

• A Dyad UDE 모델은 보이지 않는 TRU 구성에서 예측 성능이 향상되었으며, 테스트 데이터 손실이 3% 향상되었다고 보고되었습니다.
• Most neural network corrections are negligible, enabling reduction to a 2-output correction while preserving accuracy.
• 심볼릭 회귀는 구역 구성 매개변수에 의존하는 보정의 매개변수화된 표현식을 산출하여 일반화 가능성을 높였다.
• 엔지니어 인 더 루프 워크플로우는 각 단계에서 제안된 변경 사항의 사용자 수용 또는 거부를 가능하게 한다.
• 이 접근법은 제어되고 감사 가능한 방식으로 물리 기반 모델을 데이터 기반 항으로 보강하는 경로를 시연한다.

Figure 2: Prediction by a trained Dyad UDE on an unseen dataset, yielding a 3% improvement in the loss function.